点击蓝字
关注我们
AI TIME欢迎每一位AI爱好者的加入!
赵子祥:
西安交通大学数学与统计学院博士在读,师从张讲社教授,现为哈佛大学计算机科学系访问博士,导师为Hanspeter Pfister教授。研究方向为底层视觉,图像增强,多模态信息融合。
多模态深度超分辨率是多模态图像处理中的一个重要课题,它借助同一场景的高清RGB图像从在次优条件下收集的低分辨率深度图重建高分辨率深度图。为了解决在解释工作机制不明、提取跨模态特征困难和RGB纹理的过度迁移方面的挑战,我们提出了一种新颖的离散余弦变换网络 (DCTNet) ,从三个方面缓解上述问题。首先,离散余弦变换 (DCT) 模块通过使用DCT来重构多通道高清深度特征,以将传统图像域中优化问题集成到深度学习的框架之下。其次,我们引入了一个半耦合特征提取模块,该模块使用共享卷积核来提取公共信息,并使用私有卷积核来提取特定模态的信息。第三,我们采用边缘注意机制来突出引导图像上采样的轮廓信息。广泛的定量和定性评估证明了我们的DCTNet的有效性,它在参数数量相对较少的情况下优于以前的最先进方法。
我们首先介绍一下什么是深度图超分辨率的任务。随着计算机视觉的发展,深度图已经有着非常重要的作用,无论是对于目标的刻画和整个场景的描述。但是由于受到成像设备的限制,深度图往往会遇到的问题是其低分辨率且含有噪声,这时候我们希望能用一个同一场景之下的RGB图像作为指导,得到一个高分辨率的深度图图像。
RGB Guided depth super-resolution